用“图谱+大模型”治幻觉：海致上市背后的汽车与教育启示

2026-02-13，海致科技（Haizhi）在港交所挂牌首日上涨超过 250%，开盘价 HK$94.90，相对发行价 HK$28 直接“跳档”，市值超过 HK$380亿。更夸张的是，香港公开发售部分 5,065倍超额认购。资本市场把票投给了一个并不盈利的公司，原因很明确：它押注的不是“更会聊天的大模型”，而是让大模型更少胡说。

我一直觉得，大模型“会说”早就不是稀缺能力了；真正稀缺的是在关键场景里“说对”。当AI从搜索框走进车机、从聊天窗口走进课堂，**幻觉（hallucination）**就不再是好笑的段子，而是会带来售后、合规、甚至安全问题的系统性风险。海致主打的“图谱-模型融合（Graph‑Model Fusion）”，恰好为这类场景提供了一条更务实的路线：用知识图谱和图计算把事实、关系、约束铺好，再让大模型在边界内推理、生成、解释。

这篇文章会把海致上市新闻当作一个“信号”，从企业级AI的落地逻辑出发，顺带对照我们更熟悉的汽车软件与用户体验（UX），最后落到本系列主题：人工智能在教育与教育科技里，如何用“图谱+大模型”做出更可靠的个性化学习与智能测评。

海致为什么能火：资本追的是“可控的智能”

海致受追捧的核心不是“做了一个大模型”，而是把重点放在了大模型的可靠性工程上：减少幻觉、提高可解释性、让企业敢用。

新闻里有几个数字值得被反复引用（也很适合你在内部汇报里用）：

• IPO发行 28,030,200股H股
• 香港公开发售 5,065倍超额认购；国际配售 8.39倍
• 首日开盘 HK$94.90，较发行价 HK$28 上涨超 250%
• 2022-2024营收从 3.13亿元增长到 5.03亿元（CAGR 26.8%）
• Atlas Agent营收 2024 年 0.866亿元，同比增长 872.2%（2023年0.089亿元）

这里面最关键的一点是：海致并不靠“讲故事”来证明价值，而是用企业客户、场景数量、营收结构变化来证明“AI Agent在企业场景真的有人买单”。它的产品组合（Atlas Graph Solution、Atlas Agents）指向一个趋势：企业不想再买“能聊的模型”，而是要买“能交付结果、可审计、可追责”的智能系统。

一句话概括：大模型能力正在商品化，可靠性与可控性才是新溢价。

“图谱-模型融合”到底解决了什么：把生成关进“事实围栏”

图谱-模型融合的价值可以用一个很直白的因果链来解释：

幻觉的根源往往不是模型“坏”，而是它在缺乏事实约束时仍要给出“看起来合理”的答案。企业级场景最怕这种“合理的错误”，因为它会沿着流程被放大。

知识图谱负责三件事：事实、关系、约束

如果把大模型当作“语言与推理引擎”，知识图谱更像“可验证的事实底座”。在融合架构里，图谱通常承担：

1. 事实对齐：把企业内的产品、规则、术语、组织架构、设备台账等结构化，形成“统一真相源”。
2. 关系推理：很多答案不是一个字段能查出来，而是“人-车-订单-零件-政策”多跳关系推出来的；图计算天生擅长这类问题。
3. 边界约束：让模型只能在被允许的知识范围内生成（或至少先检索再生成），减少“编造”。

这也是为什么海致强调“精确性与可解释性”。对企业来说，可解释不是锦上添花，而是上线门槛：你得说清楚“答案来自哪条规则、哪张表、哪段文档”。

融合不是“外挂检索”，而是系统级工程

很多团队以为做个RAG（检索增强生成）就能解决幻觉，但现实是：

• 文档检索常常缺少实体一致性（同一个零件多个叫法）
• 缺少权限与合规边界（不同岗位看到不同知识）
• 缺少跨系统的关系拼接（知识在CRM、ERP、工单系统里分散）

图谱的优势在于：它把“实体—关系—规则—权限”做成可运营的资产，而不是一次性的向量库导入。海致的Atlas Graph产品线（DMC平台、知识图谱平台、图数据库）说明它要做的是“长期可维护”的企业智能底座。

从企业AI到汽车AI：同一件事，两种体验路径

把视角切到我们的活动主题：AI在汽车软件与用户体验中的不同应用方式。企业场景追求“正确与可审计”，车机与座舱则追求“顺手与有温度”。看起来是两条路，但目标其实一致：减少错误交互带来的成本。

汽车UX里，幻觉不是尴尬，而是风险

在车内，AI常见的任务包括：

• 导航与行程规划（充电站、限行、拥堵、天气联动）
• 车辆功能问答（胎压报警怎么处理、座椅记忆怎么设置）
• 维保与故障解释（工单、配件、质保政策）
• 个性化推荐（音乐、路线、空调策略）

如果车机“编”出一个不存在的功能、一个错误的保养建议，后果可能是：投诉、返工、误操作，甚至安全事故。

这也是为什么特斯拉和不少中国品牌在做智能座舱时，会把AI能力切成两层：

• 体验层：自然语言、多轮对话、情境理解
• 事实层：车辆手册、诊断码、服务政策、地图与充电网络的可信数据源

海致的思路对应的是“事实层”的建设：用图谱把车辆知识、用户权限、服务规则组织起来，再让大模型承担表达与推理。这样做的最大好处是：体验可以很灵活，但答案必须可控。

车内AI最应该遵守的产品原则是：宁可说“我不知道”，也不要自信地说错。

一个可落地的座舱“图谱-模型融合”例子

假设用户说：“这周末从上海去杭州，顺便充电，带小孩别太折腾。”

融合系统可以这么做：

• 图谱侧：
  • 实体：车辆型号、可用电量、儿童座椅状态、充电站、路段限行
  • 关系：路线—充电站—功率—等待时间；用户—儿童—偏好
  • 约束：只推荐符合车辆兼容与支付可用的站点
• 大模型侧：
  • 生成：把规划结果用更人话的方式说清楚
  • 解释：为什么选A站而不是B站（功率/排队/卫生间/亲子设施）

用户得到的不是“像人一样聊天”，而是“像懂你一样办事”。

回到教育与教育科技：把“个性化学习”从口号变成系统

本篇文章放在“人工智能在教育与教育科技”系列里，其实更有现实意义：教育场景对正确性、公平性、可追溯的要求，比多数消费级产品更高。

教育场景的“幻觉”，最容易伤到信任

典型问题包括：

• AI讲解数学题时推导步骤编造、跳步
• 参考答案与评分标准不一致，导致智能测评不公
• 历史、政治、法律类内容出现事实错误，引发合规风险

在学校与教培机构里，一次错误可能不只是“体验差”，还可能演变成家长投诉、舆情、监管风险。

用知识图谱做“课程事实底座”，再让大模型做导师

更稳的做法是把系统拆开：

1. 课程知识图谱：把知识点、先修关系、题型、易错点、能力维度结构化。
2. 学习者画像图谱：把掌握度、错因类型、学习行为（做题时间、回看频次）形成可计算关系。
3. 大模型负责交互与策略：用自然语言解释、用对话追问错因、用生成式题目做变式训练。

这样，个性化学习就不再靠“模型猜测你需要什么”，而是基于图谱推理：

• 你错的是“二次函数顶点式变形”，而不是“整体不会”
• 该给你的是“同一知识点不同表述的变式题”，而不是随机刷题

智能测评的一个硬指标：可复核

我更偏向把智能测评的目标写成一句可验收的话：

任何一个分数，都必须能被老师在5分钟内复核其依据。

图谱-模型融合能提供这类“可复核链路”：

• 该题对应知识点A、能力维度B
• 学生错误类型属于C（概念混淆/计算失误/审题偏差）
• 评分规则来自D版本标准
• 解释引用了教材/讲义中的E段落

这不仅提升准确性，也能让老师更愿意把AI纳入教学闭环。

选型与落地清单：想要“少幻觉”，先把三件事做对

如果你在做企业AI、车机AI或教育AI，下面这份清单比“选更大的模型”更管用。

1. 先建可信知识层，再做对话层：把规则、术语、实体统一，否则对话越顺、错误越隐蔽。
2. 把权限当成产品功能：同一个问题，不同角色应看到不同答案范围（老师/学生、车主/售后）。
3. 让系统输出“依据”：答案旁边给出引用、规则条款、数据来源，形成审计链。
4. 用图谱管理“变化”：政策更新、教材改版、车型OTA都很频繁；图谱更适合做持续运营。
5. 用指标约束幻觉：别只看满意度，至少要监控：
   • 事实错误率（抽检）
   • 无依据生成率（未引用仍生成）
   • 关键任务完成率（例如一次性解决率）

海致的上市热度说明市场正在给这类能力定价：能落地、可维护、可解释，比“能生成”更稀缺。

写在最后：AI要进入“交付时代”，先学会不乱说

海致在 2026-02-13 的港股首秀，把“治理大模型幻觉”这件事从技术圈话题推到了更大众的商业叙事里。它用图谱-模型融合告诉我们：AI要真正进企业、进汽车、进课堂，必须从“会说”走向“说得对、说得清楚、说得负责”。

如果你正在规划智能座舱、教育大模型、或企业知识助手，我建议你把路线图反过来写：先搭知识与关系的骨架，再让模型长出语言的皮肤。做对了，体验会更顺；做错了，Bug会更像“人”，也更难抓。

下一步你可以自查一个问题：你的系统里，哪些答案是“生成出来的”，哪些是“可追溯出来的”？当AI从试验走向规模化部署，这个区别会决定你能不能真正交付。